CN110427841A - 基于遥感信息的常绿林地识别方法及系统 - Google Patents

基于遥感信息的常绿林地识别方法及系统 Download PDF

Info

Publication number
CN110427841A
CN110427841A CN201910650382.5A CN201910650382A CN110427841A CN 110427841 A CN110427841 A CN 110427841A CN 201910650382 A CN201910650382 A CN 201910650382A CN 110427841 A CN110427841 A CN 110427841A
Authority
CN
China
Prior art keywords
vegetation
evergreen
area
remote sensing
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910650382.5A
Other languages
English (en)
Other versions
CN110427841B (zh
Inventor
王树东
邵芸
李正强
杨邦会
张婷婷
王国军
卞小林
田维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Satellite Application Deqing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Zhongke Satellite Application Deqing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongke Satellite Application Deqing Research Institute, Institute of Remote Sensing and Digital Earth of CAS filed Critical Zhongke Satellite Application Deqing Research Institute
Priority to CN201910650382.5A priority Critical patent/CN110427841B/zh
Publication of CN110427841A publication Critical patent/CN110427841A/zh
Application granted granted Critical
Publication of CN110427841B publication Critical patent/CN110427841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供的一种基于遥感信息的常绿林地识别方法及系统，充分利用了第一空间分辨率遥感影像和时间序列上的第一分辨率的多景遥感影像，引入常绿植被与非常绿植被区分指数的概念，并以此作为标准确定每一像元位置对应的区域中常绿林地所占的比例，使得最终得到的目标区域内常绿林地的面积具有较高的准确性。

Description

基于遥感信息的常绿林地识别方法及系统
技术领域
本发明涉及生态学和遥感技术领域，更具体地，涉及基于遥感信息的常绿林地识别方法及系统。
背景技术
面向城市植被生态环境管理，开展复杂下垫面精准的常绿林地信息提取，对于城市园林管理、冷冻灾害风险预测及释氧固碳、营养物质维持、生物多样性保护等林地生态效益估算等具有重要意义。然而，城镇化的区域的下垫面相对复杂，包括桥梁、住宅、办公等建筑区，草地、落叶林地和常绿林地等植被覆盖区，河流、湖泊等湿地区，水泥路、土路和柏油路等道路区域等，有效的获取常绿林地信息具有一定的难度。
随着遥感技术的快速发展，由于其光谱、空间和时间分辨率的不断提高，使之在资源环境领域得到有效的应用，为大面积绿地信息的提取提供有效的支撑。然而，城市绿地不但包括常绿林地、落叶林地，而且也包括草地等，由于城镇下垫面的复杂性，林地和草地的分布很难发现规律性，而且在中等空间分辨率植被生长旺盛期不同的林地和草地的光谱信息很难有效进行区分林地和草地，进而无法准确的获取常绿林地信息。
除此之外，应用中等空间分辨率的遥感技术提取常绿林地信息也具有一定的难度，其主要原因是在生长旺盛的时期，常绿林地与落叶林地的光谱具有相似性，应用单景遥感影响难以从光谱的角度难以区分常绿林地和落叶林地，导致常绿林地信息的提取精度会有较大的不确定性；应用时间序列的遥感影像进行常绿林地信息的提取，由于林地物候的差异和现有模型的局限，难以获取常绿林地的精准分布信息。而高空间分辨率的遥感数据，由于不同林地类型的物候差异，应用高空间分辨率时间序列分析的方法开展大面积的常绿林地信息的提取无论从成本、工作量还是实施效果上，都不是最佳选择。从应用模型方法上，主要包括土地利用分类方法、遥感指数法等，由于土地利用分类的方法运算量较大以及常绿林地和落叶林地的光谱之间具有相似性，很难取得令人满意的效果；而遥感指数法，如植被指数，尤其单景情况下很难有效识别。
基于此，现急需提供一种基于遥感信息的常绿林地识别方法及系统，以解决现有技术中的问题。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明实施例提供了一种基于遥感信息的常绿林地识别方法及系统。
第一方面，本发明实施例提供了一种基于遥感信息的常绿林地识别方法，包括：
获取目标区域内第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像，基于所述第一空间分辨率遥感影像确定所述目标区域内的植被区域，并计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值；
对于多景遥感影像中对应于所述植被区域的每一像元位置，基于每景遥感影像中所述像元位置处像元的植被叶面积指数估计值，计算所述像元位置的常绿植被与非常绿植被区分指数，若判断获知所述像元位置的常绿植被与非常绿植被区分指数小于等于第一预设阈值，则基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例；
基于多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，以及每一像元位置处像元的面积，确定所述目标区域内的常绿林地的面积。
优选地，所述计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值，具体包括：
对于每景遥感影像中对应于所述植被区域的的每一像元，计算所述像元的归一化植被指数，若判断获知所述像元的归一化植被指数在第一预设范围内，则基于第一预设公式计算所述像元的植被叶面积指数估计值；
否则，计算所述像元的垂直植被指数，若判断获知所述像元的垂直植被指数在第二预设范围内，则基于第二预设公式计算所述像元的植被叶面积指数估计值；
否则，计算所述像元的比值植被指数，若判断获知所述像元的比值植被指数在第三预设范围内，则基于第三预设公式计算所述像元的植被叶面积指数估计值。
优选地，还包括：
生成格网，并将所述格网叠加至多景遥感影像上；
对于格网中对应于所述植被区域的每一网格，基于所述网格内包含的、多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，确定所述网格内常绿林地的面积。
优选地，还包括：
对于格网中对应于所述植被区域的每一网格，基于所述网格内常绿林地的面积以及所述网格内草地区域的面积，确定所述网格内落叶林地的面积。
优选地，还包括：
基于所述第一空间分辨率遥感影像，确定所述目标区域内草地区域的面积。
优选地，所述基于每景遥感影像中所述像元位置处像元的叶面积指数，计算所述像元位置的常绿植被与非常绿植被区分指数，具体包括：
通过如下公式计算所述像元位置的常绿植被与非常绿植被区分指数：
其中，CFIj为多景遥感影像中的第j个像元位置的常绿植被与非常绿植被区分指数，LAIji为第i景遥感影像中第j个像元位置处像元的叶面积指数，为多景遥感影像中的第j个像元位置处所有像元的叶面积指数的均值，n为所述时间序列上的遥感影像的景数。
优选地，所述基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例，具体包括：
通过如下公式确定所述像元位置对应的区域中常绿林地所占的比例：
其中，CIj为多景遥感影像中第j个像元位置对应的区域中常绿林地所占的比例，CFIj为多景遥感影像中第j个像元位置的常绿植被与非常绿植被区分指数，CFImin、CFImax均为常数，且CFImin＜CFImax。
第二方面，本发明实施例提供了一种基于遥感信息的常绿林地识别系统，包括：植被叶面积指数估计值计算模块、常绿林地比例确定模块和常绿林地面积确定模块。其中，
植被叶面积指数估计值计算模块，用于获取目标区域内第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像，基于所述第一空间分辨率遥感影像确定所述目标区域内的植被区域，并计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值；
常绿林地比例确定模块，用于对于多景遥感影像中对应于所述植被区域的每一像元位置，基于每景遥感影像中所述像元位置处像元的植被叶面积指数估计值，计算所述像元位置的常绿植被与非常绿植被区分指数，若判断获知所述像元位置的常绿植被与非常绿植被区分指数小于等于第一预设阈值，则基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例；
常绿林地面积确定模块，用于基于多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，以及每一像元位置处像元的面积，确定所述目标区域内的常绿林地的面积。
第三方面，本发明实施例提供了一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行第一方面提供的基于遥感信息的常绿林地识别方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的基于遥感信息的常绿林地识别方法。
本发明实施例提供的一种基于遥感信息的常绿林地识别方法及系统，首先获取目标区域内第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像，基于第一空间分辨率遥感影像提取目标区域内的植被区域，并计算每景遥感影像中对应于植被区域的每一像元的植被叶面积指数估计值；然后基于每景遥感影像中对应于植被区域的每一像元位置处像元的植被叶面积指数估计值，计算每一像元位置的常绿植被与非常绿植被区分指数，并进一步确定每一像元位置对应的区域中常绿林地所占的比例，最终即可确定出目标区域内常绿林地的面积。本发明实施例中充分利用了第一空间分辨率遥感影像以及时间序列上的第二空间分辨率的多景遥感影像，引入常绿植被与非常绿植被区分指数的概念，并以此作为标准确定对应于植被区域的每一像元位置对应的区域中常绿林地所占的比例，使得最终得到的目标区域内常绿林地的面积具有较高的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于遥感信息的常绿林地识别方法的流程示意图；
图2为本发明实施例提供的一种基于遥感信息的常绿林地识别系统的结构示意图；
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
如图1所示，本发明实施例提供了一种基于遥感信息的常绿林地识别方法，包括：
S1，获取目标区域内植被生长期的第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像，基于所述第一空间分辨率遥感影像确定所述目标区域内的植被区域，并计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值；
S2，对于多景遥感影像中对应于所述植被区域的每一像元位置，基于每景遥感影像中所述像元位置处像元的植被叶面积指数估计值，计算所述像元位置的常绿植被与非常绿植被区分指数，若判断获知所述像元位置的常绿植被与非常绿植被区分指数小于等于第一预设阈值，则基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例；
S3，基于多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，以及每一像元位置处像元的面积，确定所述目标区域内的常绿林地的面积。
具体地，本发明实施例中提供的基于遥感信息的常绿林地识别方法，旨在在目标区域内准确确定出常绿林地的分布情况，进而确定出常绿林地的面积。
由于高空间分辨率、中等分辨率和时间序列的遥感影像分别有各自的优势，主要体现在以下几个方面：高空间分辨率遥感影像由于其具有较高的空间分辨率并具有一定的光谱信息，可以有效分析不同植被信息的纹理特征，如成片的草地的纹理可能会有别于林地的纹理，而这些在中等分辨率的遥感影像上的表征则不同；中等分辨率的遥感影像，可以有效的综合不同植被类型的信息，而且数据覆盖、获取、处理上较高分辨率具有明显的优势；时间序列的多景遥感影像，可以分析不同植被类型在不同时间尺度的波动情况，便于从中识别常绿林地信息。因此本发明实施例中采用第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像相结合的方式实现对目标区域内常绿林地信息的识别。
首先，执行步骤S1，即获取目标区域内植被生长期的第一空间分辨率遥感影像和时间序列上的第一空间分辨率的多景遥感影像。其中，第一空间分辨率可以是高空间分辨率，具体可以是0.3m-5m，即每景遥感影像中像元的尺寸是0.3m-5m的边长范围。时间序列中每两个相邻时间节点之间的时间间隔，即时间分辨率可以根据需要进行选取，例如可以是5天、10天或15天等。时间序列的长度可以至少是一年。第一空间分辨率可以是中等空间分辨率，具体可以是20m-40m，即每景遥感影像中像元的尺寸是20m-40m的边长范围。基于植被生长期的第一空间分辨率遥感影像，通过如下公式(1)可以计算出第一空间分辨率遥感影像中每一像元的归一化植被指数(Normalized Difference Vegetation Index，NDVI)。
其中，Rnir为每一像元中近红外波段的反射率，Rr为每一像元中红光波段的反射率。
可以采用NDVI阈值法判断第一空间分辨率遥感影像中每一像元是否属于植被区域，即判断第一空间分辨率遥感影像中每一像元的NDVI是否满足如下公式(2)，若某一像元满足公式(2)，则说明该像元属于植被区域。通过该方法即可确定出第一空间分辨率遥感影像中NDVI满足公式(2)的所有像元，NDVI满足公式(2)的所有像元构成目标区域内的植被区域。需要说明的是，目标区域内可包括非植被区域和植被区域，植被区域可进一步包括草地、常绿林地和落叶林地，本发明实施例中所说的草地是指非四季常绿草地，即目标区域内的常绿植被只有常绿林地。
NDVI≤a1 (2)
其中，a1为预设阈值，为常数，是指某一像元属于植被区域的最大NDVI值。可以根据经验获得或经过大量实验确定。
对于时间序列上的第二空间分辨率的多景遥感影像，每景遥感影像中每一像元中可能存在的地物类型可以包括：非植被、草地、常绿林地、落叶林地、草地和常绿林地同时存在、草地和落叶林地同时存在、草地和常绿林地和落叶林地同时存在、落叶林地和常绿林地同时存在等。通过基于第一空间分辨率遥感影像提取出的植被区域，即可排除每景遥感影像中的非植被区域，缩小研究范围。
时间序列上的每一时间节点对应一景遥感影像。每景遥感影像中均具有相同数量的像元，且处于相同位置的像元对应与目标区域内的相同位置。即本发明实施例中首先需要确定出目标区域在不同时间节点上的遥感影像。根据每景遥感影像，可以知晓每景遥感数据即每景遥感影像中每一像元的光谱反射率，通过每景遥感数据可以计算出每景遥感影像中对应于植被区域的每一像元的植被叶面积指数估计值。植被叶面积指数是指每一像元对应的区域中单位土地面积上植物叶片总面积占土地面积的倍数。它与植被的密度、结构(单层或复层)、树木的生物学特性(分枝角、叶着生角、耐荫性等)和环境条件(光照、水分、土壤营养状况)有关，是表示植被利用光能状况和冠层结构的一个综合指标。本发明实施例中并不需要实际测量出每景遥感影像中对应于植被区域的每一像元的植被叶面积指数，而是通过一定方法计算出每景遥感影像中对应于植被区域的每一像元的植被叶面积指数估计值即可。例如，可以先通过上述公式(1)计算出每景遥感影像中对应于植被区域的每一像元的归一化植被指数(Normalized Difference Vegetation Index，NDVI)，然后根据每一像元的NDVI与植被叶面积指数之间的对应关系确定植被叶面积指数估计值；还可以先通过如下公式(3)计算出每景遥感影像中对应于植被区域的每一像元的垂直植被指数(Perpendicular Vegetation index，PVI)，然后根据每一像元的PVI与植被叶面积指数之间的对应关系确定植被叶面积指数估计值；还可以先通过如下公式(4)计算出每景遥感影像中对应于植被区域的每一像元的比值植被指数(Ratio Vegetation index，RVI)，然后根据每一像元的RVI与植被叶面积指数之间的对应关系确定植被叶面积指数估计值等，本发明实施例中对此不作具体限定。
其中，Sr为每一像元中土壤红光反射率，Vr为每一像元中植被红光反射率，Snir为土壤近红外反射率，Vnir为植被近红外反射率。
然后，执行步骤S2，对于多景遥感影像中对应于所述植被区域的每一像元位置j(1≤j≤J，J为多景遥感影像中对应于植被区域的像元位置数量)，像元位置j处对应有n个像元，其中n为时间序列上的时间节点数，即多景遥感影像中的景数。即n个像元分别是n景遥感影像在像元位置j处的像元。
根据每景遥感影像中对应于植被区域的像元位置j处像元的植被叶面积指数估计值，可以计算出像元位置j的常绿植被与非常绿植被区分指数，具体的计算方式可以是计算像元位置j处各像元的植被叶面积指数估计值的方差与均值的比值，并将比值作为像元位置j的常绿植被与非常绿植被区分指数。常绿植被与非常绿植被区分指数用于表征每一像元位置处的常绿植被与非常绿植被的区分标准。
若判断获知像元位置j的常绿植被与非常绿植被区分指数小于等于第一预设阈值，则说明像元位置j含有常绿植被的像元。则此时基于像元位置j的常绿植被与非常绿植被区分指数，即可确定出像元位置j对应的区域中常绿林地所占的比例CIj。
然后执行步骤S3，根据像元位置j处像元的面积，可以通过像元位置j对应的区域中常绿林地所占的比例与像元位置j处像元的面积的乘积，确定出像元位置j对应的区域中常绿林地的面积。将对应于植被区域的所有像元位置对应的区域中常绿林地的面积相加，即可确定出整个目标区域内常绿林地的面积，从而实现对目标区域内常绿林地的识别。需要说明的是，本发明实施例中目标区域内常绿林地的面积即目标区域内植被区域中常绿林地的面积。
本发明实施例中提供的基于遥感信息的常绿林地识别方法，首先获取目标区域内第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像，基于第一空间分辨率遥感影像提取目标区域内的植被区域，并计算每景遥感影像中对应于植被区域的每一像元的植被叶面积指数估计值；然后基于每景遥感影像中对应于植被区域的每一像元位置处像元的植被叶面积指数估计值，计算每一像元位置的常绿植被与非常绿植被区分指数，并进一步确定每一像元位置对应的区域中常绿林地所占的比例，最终即可确定出目标区域内常绿林地的面积。本发明实施例中充分利用了第一空间分辨率遥感影像以及时间序列上的第二空间分辨率的多景遥感影像，引入常绿植被与非常绿植被区分指数的概念，并以此作为标准确定对应于植被区域的每一像元位置对应的区域中常绿林地所占的比例，使得最终得到的目标区域内常绿林地的面积具有较高的准确性。
在上述实施例的基础上，本发明实施例中提供的基于遥感信息的常绿林地识别方法，所述计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值，具体包括：
对于每景遥感影像中对应于所述植被区域的每一像元，计算所述像元的归一化植被指数，若判断获知所述像元的归一化植被指数在第一预设范围内，则基于第一预设公式计算所述像元的植被叶面积指数估计值；
否则，计算所述像元的垂直植被指数，若判断获知所述像元的垂直植被指数在第二预设范围内，则基于第二预设公式计算所述像元的植被叶面积指数估计值；
否则，计算所述像元的比值植被指数，若判断获知所述像元的比值植被指数在第三预设范围内，则基于第三预设公式计算所述像元的植被叶面积指数估计值。
具体地，本发明实施例中提供了一种像元的植被叶面积指数估计值的计算方法，具体采用NDVI、PVI和RVI协同计算方法。具体如下：
对于第i(1≤i≤n，n为多景遥感影像中的景数)景遥感影像中对应于植被区域的每一像元Hi,j(1≤j≤J)，首先，通过上述公式(1)计算像元Hi,j的NDVI，若判断获知像元Hi,j的NDVI在第一预设范围内，则基于第一预设公式计算像元Hi,j的植被叶面积指数估计值。其中，第一预设范围可以根据经验确定或根据大量实验确定，本发明实施例中对此不作具体限定，仅以[b1,b2]为例，b1表示第一预设范围中的NDVI最小值，b2表示第一预设范围中的NDVI最大值。第一预设公式如公式(5)所示。
其中，为通过NDVI计算得到的像元Hi,j的植被叶面积指数估计值，a2、a3为常数，为像元Hi,j的NDVI。其中，a2、a3可以根据经验确定或根据大量实验确定，且有a2≤a3。
若判断获知像元Hi,j的NDVI不在第一预设范围内，则基于上述公式(3)计算像元Hi,j的PVI，并进一步判断像元Hi,j的PVI是否在第二预设范围内。其中，第二预设范围可以根据经验确定或根据大量实验确定，本发明实施例中对此不作具体限定，仅以[c1,c2]为例，c1表示第二预设范围中的PVI最小值，c2表示第二预设范围中的PVI最大值。第二预设公式如公式(6)所示。
其中，为通过PVI计算得到的像元Hi,j的植被叶面积指数估计值，a4为常数，为像元Hi,j的PVI。其中，a4可以根据经验确定或根据大量实验确定，且有a3≤a4。
若判断获知像元Hi,j的PVI不在第二预设范围内，则基于上述公式(4)计算像元Hi,j的RVI，并进一步判断像元Hi,j的RVI是否在第三预设范围内。其中，第三预设范围可以根据经验确定或根据大量实验确定，本发明实施例中对此不作具体限定，仅以[d1,d2]为例，d1表示第三预设范围中的RVI最小值，d2表示第三预设范围中的RVI最大值。第三预设公式如公式(7)所示。
其中，为通过RVI计算得到的像元Hi,j的植被叶面积指数估计值，a5为常数，为像元Hi,j的RVI。其中，a5可以根据经验确定或根据大量实验确定，且有a4≤a5。
本发明实施例中，通过采用NDVI、PVI和RVI协同计算方法计算每一像元的植被叶面积指数估计值，而不是单独采用一种参数计算，避免了某一种参数的局限性而导致的计算结果不准确，从而使得到的每一像元的植被叶面积指数估计值更加准确。
在上述实施例的基础上，本发明实施例中提供的基于遥感信息的常绿林地识别方法，还包括：
生成格网，并将所述格网叠加至多景遥感影像上；
对于格网中对应于所述植被区域的每一网格，基于所述网格内包含的、多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，确定所述网格内常绿林地的面积。
具体地，本发明实施例中，生成的格网中的每一网格中可以包括多个像元位置。将生成的格网叠加至多景遥感影像上，对于格网中对应于所述植被区域的每一网格f(1≤f≤F，F为格网中对应于植被区域的网格数量)，基于网格f内包含的对应于植被区域的每一像元位置j1(1≤j1≤J1，J1为网格f中对应于植被区域的像元位置数量)对应的区域中常绿林地所占的比例CIj1以及像元位置j1处像元的面积p，通过如下公式(7)即可确定网格f内常绿林地的面积CMf。
在上述实施例的基础上，本发明实施例中提供的基于遥感信息的常绿林地识别方法，还包括：
对于格网中对应于所述植被区域的每一网格，基于所述网格内常绿林地的面积以及所述网格内草地区域的面积，确定所述网格内落叶林地的面积。
具体地，本发明实施例中，对于格网中对应于植被区域的每一网格f，基于网格f内常绿林地的面积以及网格f内草地区域的面积，通过如下公式(8)确定网格f内落叶林地的面积。
LMf＝G-CMf-GRf (8)
其中，G为网格f的面积，CMf为网格f内常绿林地的面积，GRf为网格f内草地区域的面积。
其中，网格f内草地区域的面积可以先根据第一空间分辨率遥感影像确定整个植被区域内草地区域的面积，再进一步确定网格f内草地区域的面积。
本发明实施例中，在确定出常绿林地的基础上，还可以进一步确定出网格f内落叶林地的面积，可以实现目标区域内常绿林地和落叶林地的区分。
在上述实施例的基础上，本发明实施例中提供的基于遥感信息的常绿林地识别方法，还包括：
基于所述第一空间分辨率遥感影像，确定所述目标区域内草地区域的面积。
具体地，本发明实施例中，基于第一空间分辨率遥感影像，首先可以计算出第一空间分辨率遥感影像中每个像元的NDVI，然后基于每个像元的NDVI，采用共生矩阵的局部一致性指数方法计算每个像元的用地类型纹理，最后根据纹理阈值以及NDVI阈值判定出目标区域内植被区域中的草地区域。相应地，植被区域中的非草地区域即为林地区域。
在上述实施例的基础上，本发明实施例中提供的基于遥感信息的常绿林地识别方法，其特征在于，所述基于每景遥感影像中所述像元位置处像元的叶面积指数，计算所述像元位置的常绿植被与非常绿植被区分指数，具体包括：
通过如下公式(9)计算所述像元位置的常绿植被与非常绿植被区分指数：
其中，CFIj为多景遥感影像中的第j个像元位置的常绿植被与非常绿植被区分指数，LAIji为第i景遥感影像中第j个像元位置处像元的叶面积指数，为多景遥感影像中的第j个像元位置处所有像元的叶面积指数的均值，n为所述时间序列上的遥感影像的景数，为像元位置j处所有像元的植被叶面积指数估计值的方差。
在上述实施例的基础上，本发明实施例中提供的基于遥感信息的常绿林地识别方法，所述基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例，具体包括：
通过如下公式(10)确定所述像元位置对应的区域中常绿林地所占的比例：
其中，CIj为多景遥感影像中第j个像元位置对应的区域中常绿林地所占的比例，CFIj为多景遥感影像中第j个像元位置的常绿植被与非常绿植被区分指数，CFImin、CFImax均为常数，且CFImin＜CFImax。CFImin、CFImax可以根据经验确定或根据大量实验确定。
如图2所示，在上述实施例的基础上，本发明实施例中提供了一种基于遥感信息的常绿林地识别系统，包括：植被叶面积指数估计值计算模块21、常绿林地比例确定模块22和常绿林地面积确定模块23。其中，
植被叶面积指数估计值计算模块21用于获取目标区域内植被生长期的第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像，基于所述第一空间分辨率遥感影像确定所述目标区域内的植被区域，并计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值；
常绿林地比例确定模块22用于对于多景遥感影像中对应于所述植被区域的每一像元位置，基于每景遥感影像中所述像元位置处像元的植被叶面积指数估计值，计算所述像元位置的常绿植被与非常绿植被区分指数，若判断获知所述像元位置的常绿植被与非常绿植被区分指数小于等于第一预设阈值，则基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例；
常绿林地面积确定模块23用于基于多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，以及每一像元位置处像元的面积，确定所述目标区域内的常绿林地的面积。
具体地，本发明实施例中提供的基于遥感信息的常绿林地识别系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，本发明实施例中在此不再赘述。
图3所示，在上述实施例的基础上，本发明实施例中提供了一种电子设备，包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和总线304；其中，
所述处理器301、存储器302、通信接口303通过总线304完成相互间的通信。所述存储器302存储有可被所述处理器301执行的程序指令，处理器301用于调用存储器302中的程序指令，以执行上述各方法实施例所提供的方法。
存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上，本发明实施例中提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于遥感信息的常绿林地识别方法，其特征在于，包括：
获取目标区域内植被生长期的第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像，基于所述第一空间分辨率遥感影像确定所述目标区域内的植被区域，并计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值；
对于多景遥感影像中对应于所述植被区域的每一像元位置，基于每景遥感影像中所述像元位置处像元的植被叶面积指数估计值，计算所述像元位置的常绿植被与非常绿植被区分指数，若判断获知所述像元位置的常绿植被与非常绿植被区分指数小于等于第一预设阈值，则基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例；
基于多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，以及每一像元位置处像元的面积，确定所述目标区域内的常绿林地的面积。
2.根据权利要求1所述的基于遥感信息的常绿林地识别方法，其特征在于，所述计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值，具体包括：
对于每景遥感影像中对应于所述植被区域的每一像元，计算所述像元的归一化植被指数，若判断获知所述像元的归一化植被指数在第一预设范围内，则基于第一预设公式计算所述像元的植被叶面积指数估计值；
否则，计算所述像元的垂直植被指数，若判断获知所述像元的垂直植被指数在第二预设范围内，则基于第二预设公式计算所述像元的植被叶面积指数估计值；
否则，计算所述像元的比值植被指数，若判断获知所述像元的比值植被指数在第三预设范围内，则基于第三预设公式计算所述像元的植被叶面积指数估计值。
3.根据权利要求1所述的基于遥感信息的常绿林地识别方法，其特征在于，还包括：
生成格网，并将所述格网叠加至多景遥感影像上；
对于格网中对应于所述植被区域的每一网格，基于所述网格内包含的、多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，确定所述网格内常绿林地的面积。
4.根据权利要求3所述的基于遥感信息的常绿林地识别方法，其特征在于，还包括：
对于格网中对应于所述植被区域的每一网格，基于所述网格内常绿林地的面积以及所述网格内草地区域的面积，确定所述网格内落叶林地的面积。
5.根据权利要求3所述的基于遥感信息的常绿林地识别方法，其特征在于，还包括：
基于所述第一空间分辨率遥感影像，确定所述目标区域内草地区域的面积。
6.根据权利要求1-5中任一项所述的基于遥感信息的常绿林地识别方法，其特征在于，所述基于每景遥感影像中所述像元位置处像元的叶面积指数，计算所述像元位置的常绿植被与非常绿植被区分指数，具体包括：
通过如下公式计算所述像元位置的常绿植被与非常绿植被区分指数：
其中，CFIj为多景遥感影像中的第j个像元位置的常绿植被与非常绿植被区分指数，LAIji为第i景遥感影像中第j个像元位置处像元的叶面积指数，为多景遥感影像中的第j个像元位置处所有像元的叶面积指数的均值，n为所述时间序列上的遥感影像的景数。
7.根据权利要求1-5中任一项所述的基于遥感信息的常绿林地识别方法，其特征在于，所述基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例，具体包括：
通过如下公式确定所述像元位置对应的区域中常绿林地所占的比例：
其中，CIj为多景遥感影像中第j个像元位置对应的区域中常绿林地所占的比例，CFIj为多景遥感影像中第j个像元位置的常绿植被与非常绿植被区分指数，CFImin、CFImax均为常数，且CFImin＜CFImax。
8.一种基于遥感信息的常绿林地识别系统，其特征在于，包括：
植被叶面积指数估计值计算模块，用于获取目标区域内植被生长期的第一空间分辨率遥感影像和时间序列上的第二空间分辨率的多景遥感影像，基于所述第一空间分辨率遥感影像确定所述目标区域内的植被区域，并计算每景遥感影像中对应于所述植被区域的每一像元的植被叶面积指数估计值；
常绿林地比例确定模块，用于对于多景遥感影像中对应于所述植被区域的每一像元位置，基于每景遥感影像中所述像元位置处像元的植被叶面积指数估计值，计算所述像元位置的常绿植被与非常绿植被区分指数，若判断获知所述像元位置的常绿植被与非常绿植被区分指数小于等于第一预设阈值，则基于所述像元位置的常绿植被与非常绿植被区分指数，确定所述像元位置对应的区域中常绿林地所占的比例；
常绿林地面积确定模块，用于基于多景遥感影像中对应于所述植被区域的每一像元位置对应的区域中常绿林地所占的比例，以及每一像元位置处像元的面积，确定所述目标区域内的常绿林地的面积。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行如权利要求1-7中任一项所述的基于遥感信息的常绿林地识别方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-7中任一项所述的基于遥感信息的常绿林地识别方法。
CN201910650382.5A 2019-07-18 2019-07-18 基于遥感信息的常绿林地识别方法及系统 Active CN110427841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910650382.5A CN110427841B (zh) 2019-07-18 2019-07-18 基于遥感信息的常绿林地识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910650382.5A CN110427841B (zh) 2019-07-18 2019-07-18 基于遥感信息的常绿林地识别方法及系统

Publications (2)

Publication Number Publication Date
CN110427841A true CN110427841A (zh) 2019-11-08
CN110427841B CN110427841B (zh) 2021-09-21

Family

ID=68411086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910650382.5A Active CN110427841B (zh) 2019-07-18 2019-07-18 基于遥感信息的常绿林地识别方法及系统

Country Status (1)

Country Link
CN (1) CN110427841B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310639A (zh) * 2020-02-11 2020-06-19 中国气象科学研究院 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法
CN111695606A (zh) * 2020-05-25 2020-09-22 中国科学院东北地理与农业生态研究所 一种多类型城市绿地分类方法
CN112213265A (zh) * 2020-09-29 2021-01-12 水利部牧区水利科学研究所 基于无人机遥感技术的植被覆盖监测系统
CN112215098A (zh) * 2020-09-25 2021-01-12 中国科学院空天信息创新研究院 基于多源遥感数据估算常绿林地盖度的方法及系统
CN112364299A (zh) * 2020-11-11 2021-02-12 中国科学院东北地理与农业生态研究所 用组分频率面积对生态系统属性组分组成结构的描述方法
CN114549259A (zh) * 2022-02-23 2022-05-27 中科海慧（北京）科技有限公司 一种基于多源数据融合的智慧城市优化管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909607A (zh) * 2017-12-11 2018-04-13 河北省科学院地理科学研究所 一种年度区域植被覆盖度计算方法
CN108918820A (zh) * 2018-05-23 2018-11-30 中国水利水电科学研究院 获取耕地土壤盐渍化程度等级分布的方法和装置
CN109508633A (zh) * 2018-09-30 2019-03-22 广州地理研究所 一种基于光学遥感数据的甘蔗分布识别方法
CN109635731A (zh) * 2018-12-12 2019-04-16 中国科学院深圳先进技术研究院 一种识别有效耕地的方法及装置、存储介质及处理器
CN109767409A (zh) * 2018-11-28 2019-05-17 中国科学院遥感与数字地球研究所 基于遥感影像的滑坡变化检测方法、存储介质和电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909607A (zh) * 2017-12-11 2018-04-13 河北省科学院地理科学研究所 一种年度区域植被覆盖度计算方法
CN108918820A (zh) * 2018-05-23 2018-11-30 中国水利水电科学研究院 获取耕地土壤盐渍化程度等级分布的方法和装置
CN109508633A (zh) * 2018-09-30 2019-03-22 广州地理研究所 一种基于光学遥感数据的甘蔗分布识别方法
CN109767409A (zh) * 2018-11-28 2019-05-17 中国科学院遥感与数字地球研究所 基于遥感影像的滑坡变化检测方法、存储介质和电子设备
CN109635731A (zh) * 2018-12-12 2019-04-16 中国科学院深圳先进技术研究院 一种识别有效耕地的方法及装置、存储介质及处理器

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310639A (zh) * 2020-02-11 2020-06-19 中国气象科学研究院 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法
CN111695606A (zh) * 2020-05-25 2020-09-22 中国科学院东北地理与农业生态研究所 一种多类型城市绿地分类方法
CN111695606B (zh) * 2020-05-25 2022-10-04 中国科学院东北地理与农业生态研究所 一种多类型城市绿地分类方法
CN112215098A (zh) * 2020-09-25 2021-01-12 中国科学院空天信息创新研究院 基于多源遥感数据估算常绿林地盖度的方法及系统
CN112215098B (zh) * 2020-09-25 2023-03-24 中国科学院空天信息创新研究院 基于多源遥感数据估算常绿林地盖度的方法及系统
CN112213265A (zh) * 2020-09-29 2021-01-12 水利部牧区水利科学研究所 基于无人机遥感技术的植被覆盖监测系统
CN112213265B (zh) * 2020-09-29 2023-10-10 水利部牧区水利科学研究所 基于无人机遥感技术的植被覆盖监测系统
CN112364299A (zh) * 2020-11-11 2021-02-12 中国科学院东北地理与农业生态研究所 用组分频率面积对生态系统属性组分组成结构的描述方法
CN114549259A (zh) * 2022-02-23 2022-05-27 中科海慧（北京）科技有限公司 一种基于多源数据融合的智慧城市优化管理方法

Also Published As

Publication number Publication date
CN110427841B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN110427841B (zh) 基于遥感信息的常绿林地识别方法及系统
Xie et al. Using Landsat observations (1988–2017) and Google Earth Engine to detect vegetation cover changes in rangelands-A first step towards identifying degraded lands for conservation
Kowe et al. A quantitative framework for analysing long term spatial clustering and vegetation fragmentation in an urban landscape using multi-temporal landsat data
Meneguzzo et al. Mapping trees outside forests using high-resolution aerial imagery: a comparison of pixel-and object-based classification approaches
Lyu et al. A new method for grassland degradation monitoring by vegetation species composition using hyperspectral remote sensing
Fan et al. Enhancing endmember selection in multiple endmember spectral mixture analysis (MESMA) for urban impervious surface area mapping using spectral angle and spectral distance parameters
Zhou et al. Individual tree parameters estimation for plantation forests based on UAV oblique photography
Matasci et al. Mapping tree canopies in urban environments using airborne laser scanning (ALS): a Vancouver case study
Roy et al. Stratification of density in dry deciduous forest using satellite remote sensing digital data—An approach based on spectral indices
Bharath et al. Green to gray: Silicon valley of India
CN106501186B (zh) 一种土壤含水量产品降尺度方法
CN108537130A (zh) 一种基于微型无人机技术的高原鼢鼠和高原鼠兔危害监测方法
Baker et al. A GIS and object based image analysis approach to mapping the greenspace composition of domestic gardens in Leicester, UK
Yu et al. Quantifying grazing patterns using a new growth function based on MODIS Leaf Area Index
CN114419431A (zh) 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质
Tigges et al. High resolution remote sensing for reducing uncertainties in urban forest carbon offset life cycle assessments
Yang et al. Role of the countryside landscapes for sustaining biodiversity in karst areas at a semi centennial scale
Schumacher et al. Wall-to-wall tree type classification using airborne lidar data and CIR images
Berra Individual tree crown detection and delineation across a woodland using leaf-on and leaf-off imagery from a UAV consumer-grade camera
Diao Complex network-based time series remote sensing model in monitoring the fall foliage transition date for peak coloration
Luo et al. Detecting urban ecological land-cover structure using remotely sensed imagery: A multi-area study focusing on metropolitan inner cities
Zhou et al. A framework for precisely thinning planning in a managed pure Chinese fir forest based on UAV remote sensing
Xie et al. Scale dependence of forest fragmentation and its climate sensitivity in a semi-arid mountain: Comparing Landsat, Sentinel and Google Earth data
Combalicer et al. Changes in the forest landscape of Mt. Makiling forest reserve, Philippines
Borlaf-Mena et al. Methods for tree cover extraction from high resolution orthophotos and airborne LiDAR scanning in Spanish dehesas

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant